JP7304223B2 - ハイブリッド学習技法を生成するための方法およびシステム - Google Patents
ハイブリッド学習技法を生成するための方法およびシステム Download PDFInfo
- Publication number
- JP7304223B2 JP7304223B2 JP2019127343A JP2019127343A JP7304223B2 JP 7304223 B2 JP7304223 B2 JP 7304223B2 JP 2019127343 A JP2019127343 A JP 2019127343A JP 2019127343 A JP2019127343 A JP 2019127343A JP 7304223 B2 JP7304223 B2 JP 7304223B2
- Authority
- JP
- Japan
- Prior art keywords
- techniques
- learning
- hybrid
- learning techniques
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Description
本出願は、2018年7月9日に提出されたインド国仮特許出願第201821025625号明細書(特許文献1)の優先権を主張する。前述の出願の内容全体は、参照により本明細書に組み込まれる。
1.複数の学習技法に関して生成されたハイブリッド学習技法の1つは、深層学習モジュール212での深層学習と信号処理モジュール214での信号処理からなる特徴生成の組合せからなる。一実施形態では、技法を融合して、この特有のハイブリッド学習技法に関するハイブリッド学習技法を表す固有の特徴表現を生成する。
2.複数の学習技法に関して生成されたハイブリッド学習技法の1つは、信号処理モジュール214での複数の学習技法の特徴生成、続いて特徴推奨モジュール216での複数の学習技法に関して生成された特徴に関するサブセットの推奨、および最後にML分類モジュール222での複数の学習技法の分類からなる。
3.複数の学習技法に関して生成されたハイブリッド学習技法の1つは、DL分類モジュール220で、前処理されたトレーニング時系列センサ信号の分類を遂行するステップからなる。
4.複数の学習技法に関して生成されたハイブリッド学習技法の1つは、信号処理モジュール214での前処理されたトレーニング時系列センサ信号の特徴生成、続いて特徴推奨モジュール216での前処理されたトレーニング時系列センサ信号に関して生成された特徴に関するサブセットの推奨、および最後にDL分類モジュール220での複数の学習技法の分類からなる。
5.複数の学習技法に関して生成されたハイブリッド学習技法の1つは、信号処理モジュール214での複数の学習技法の特徴生成、続いて特徴推奨モジュール216、続いてML分類モジュール222での複数の学習技法の分類からなる。
6.複数の学習技法に関して生成されたハイブリッド学習技法の1つは、深層学習モジュール212での、または信号処理モジュール214による、または深層学習モジュール212および信号処理モジュール214のハイブリッドな組合せによる、複数の学習技法の特徴生成、続いてDL分類モジュール220またはML分類モジュール222への直接供給、または続いて特徴推奨モジュール216、続いてDL分類モジュール220またはML分類モジュール222での複数の学習技法の分類からなる。
7.複数の学習技法に関して生成されたハイブリッド学習技法の1つは、深層学習モジュール212での複数の学習技法の特徴生成、続いて特徴推奨モジュール216での複数の学習技法に関して生成された特徴に関するサブセットの推奨、および最後にDL分類モジュール220での複数の学習技法の分類からなる。
8.複数の学習技法に関して生成されたハイブリッド学習技法の1つは、深層学習モジュール212での複数の学習技法の特徴生成、続いて特徴推奨モジュール216での複数の学習技法に関して生成された特徴に関するサブセットの推奨、および最後にML分類モジュール222での複数の学習技法の分類からなる。
9.複数の学習技法に関して生成されたハイブリッド学習技法の1つは、深層学習モジュール212での複数の学習技法の特徴生成、続いてDL分類モジュール220での複数の学習技法の分類からなる。
Claims (15)
- センサ信号分析論のためのハイブリッド学習技法を生成するためのプロセッサ実装方法であって、
複数の異なるセンサを使用して取り込んだセンサ信号を入力として受信するステップと、
雑音を取り除くために、前記受信したセンサ信号を処理するステップと、
複数の領域制約に基づき、前記処理されたセンサ信号に関する複数の学習技法を選ぶステップと、
前記複数の学習技法から複数のハイブリッド学習技法を生成するステップと、
最適化技法に基づき、前記複数のハイブリッド学習技法ごとに性能行列を個々に予測するステップと、
前記性能行列に基づき、前記生成された複数のハイブリッド学習技法から前記ハイブリッド学習技法を選択するステップと、
前記予測されたハイブリッド学習技法から固有の特徴表現を生成するステップとを備え、
前記性能行列の予測のための最適化手法は、制約最適化の遂行に基づく
ことを特徴とするプロセッサ実装方法。 - 前記ハイブリッド学習技法は、深層学習、機械学習、および信号処理を含む複数の技法のハイブリッドな組合せである学習技法を指す
請求項1に記載のプロセッサ実装方法。 - 複数のセンサは、心電図記録(Electrocardiography、ECG)と、脳波記録(Electroencephalography、EEG)と、加速度計、ジャイロメータ、磁力計、温度センサを含む動きセンサとを含む、代表的領域の生理学的時系列センサ信号を含む多様な適用領域に由来する
請求項1に記載のプロセッサ実装方法。 - 前記複数の学習技法は、規則に基づくエンジンおよび領域制約を使用して選ばれ、前記領域制約は、業務要件および計算上の制約を含む
請求項1に記載のプロセッサ実装方法。 - 前記複数のハイブリッド学習技法は、特徴生成、特徴推奨、および分類の技法に基づき生成される
請求項1に記載のプロセッサ実装方法。 - 特徴生成技法は、深層学習および信号処理技法(特徴空間探索)情報理論と、事前にトレーニングされた深層再帰型ニューラルネットワークの特徴に加えて統計的特徴とを含む、管理されていない学習技法に基づく
請求項5に記載のプロセッサ実装方法。 - 前記生成された特徴生成技法を融合して、出力モジュール(226)に表示すべき、前記ハイブリッド学習技法を表す固有の特徴表現を生成する
請求項6に記載のプロセッサ実装方法。 - 前記特徴推奨技法は、統計的尺度、順位づけ、分類技法に基づき実装され、分類技法は、深層学習および機械学習の技法を含む
請求項5に記載の方法。 - 前記性能行列は、制約最適化を遂行するステップを含む最適化技法に基づき生成され、パラメータは、事前に規定されたしきい値に基づき最大化される
請求項1に記載のプロセッサ実装方法。 - 前記予測されたハイブリッド学習技法およびその対応する前記固有の特徴表現は、前記受信したセンサ信号の信号分析論のために出力モジュール(226)に表示される
請求項1に記載のプロセッサ実装方法。 - センサ信号分析論のためのハイブリッド学習技法を生成するためのシステム(100)であって、
命令および1つまたは複数のモジュール(108)を記憶するメモリ(102)と、
データベース(110)と、
1つまたは複数の通信または入出力インタフェース(106)と、
前記1つまたは複数の通信インタフェース(106)を介して前記メモリ(102)に結合された1つまたは複数のプロセッサ(104)と
を備え、前記1つまたは複数のプロセッサ(104)は、
複数の異なるセンサを使用して取り込んだセンサ信号を入力として受信する入力モジュール(202)と、
雑音を取り除くために、前記受信したセンサ信号を処理するための前処理および雑音浄化モジュール(204)と、
複数の領域制約に基づき、前記処理されたセンサ信号に関する複数の学習技法を選ぶ経路選択器(206)と、
前記複数の学習技法から複数のハイブリッド学習技法を生成するための、特徴生成モジュール(210)、特徴推奨モジュール(216)、および分類モジュール(218)と、
最適化技法に基づき前記複数のハイブリッド学習技法ごとに個々に予測された性能行列に基づき、前記生成された複数のハイブリッド学習技法から1つのハイブリッド学習技法を選ぶための最適化モジュール(224)と、
前記受信したセンサ信号の前記選ばれたハイブリッド学習技法の信号分析論を表示するための出力モジュール(226)と
を備える1つまたは複数のモジュール(108)を実行するための前記命令により構成され、
前記性能行列の予測のための最適化手法は、制約最適化の遂行に基づく
ことを特徴とするシステム。 - 前記特徴生成モジュール(210)は、深層学習および信号処理と、情報理論分析と、事前にトレーニングされた深層再帰型ニューラルネットワークの特徴に加えて統計的分析とを含む、管理されていない学習技法を生成するための、深層モジュール(212)および信号処理モジュール(214)をさらに備える
請求項11に記載のシステム。 - 前記分類モジュール(218)は、深層学習および機械学習の技法を含む分類技法を生成するための、深層学習(DL)分類モジュール(220)および機械学習(ML)分類モジュール(222)をさらに備える
請求項11に記載のシステム。 - 前記処理されたセンサ信号に関する複数の学習技法を選ぶために、前記経路選択器(206)に領域制約を提供するための領域知識(208)をさらに含む
請求項11に記載のシステム。 - プログラムが記録された記録媒体であって、前記プログラムは、コンピューティング機器上で実行されたとき、前記コンピューティング機器に、
複数の異なるセンサを使用して取り込んだセンサ信号を入力として受信させ、
雑音を取り除くために、前記受信したセンサ信号を処理させ、
複数の領域制約に基づき、前記処理されたセンサ信号に関する複数の学習技法を選ばせ、
前記複数の学習技法から複数のハイブリッド学習技法を生成させ、
最適化技法に基づき前記複数のハイブリッド学習技法ごとに性能行列を個々に予測させ、
前記性能行列に基づき、前記生成された複数のハイブリッド学習技法から前記ハイブリッド学習技法を選択させ、
前記予測されたハイブリッド学習技法から固有の特徴表現を生成させ、
前記性能行列の予測のための最適化手法は、制約最適化の遂行に基づく
ことを特徴とするプログラムが記録された記録媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201821025625 | 2018-07-09 | ||
IN201821025625 | 2018-07-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020009448A JP2020009448A (ja) | 2020-01-16 |
JP7304223B2 true JP7304223B2 (ja) | 2023-07-06 |
Family
ID=67220674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019127343A Active JP7304223B2 (ja) | 2018-07-09 | 2019-07-09 | ハイブリッド学習技法を生成するための方法およびシステム |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200012941A1 (ja) |
EP (1) | EP3594866A1 (ja) |
JP (1) | JP7304223B2 (ja) |
AU (1) | AU2019204930B2 (ja) |
SG (1) | SG10201906345RA (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3627399A1 (en) * | 2018-09-19 | 2020-03-25 | Tata Consultancy Services Limited | Systems and methods for real time configurable recommendation using user data |
US11593642B2 (en) * | 2019-09-30 | 2023-02-28 | International Business Machines Corporation | Combined data pre-process and architecture search for deep learning models |
CN111291640B (zh) * | 2020-01-20 | 2023-02-17 | 北京百度网讯科技有限公司 | 用于识别步态的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004178492A (ja) | 2002-11-29 | 2004-06-24 | Mitsubishi Heavy Ind Ltd | 強化学習法を用いたプラントシミュレーション方法 |
JP2017041206A (ja) | 2015-08-21 | 2017-02-23 | 日本電信電話株式会社 | 学習装置、探索装置、方法、及びプログラム |
US20180189655A1 (en) | 2017-01-03 | 2018-07-05 | Electronics And Telecommunications Research Institute | Data meta-scaling apparatus and method for continuous learning |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8515862B2 (en) * | 2008-05-29 | 2013-08-20 | Sas Institute Inc. | Computer-implemented systems and methods for integrated model validation for compliance and credit risk |
US9069362B2 (en) * | 2010-02-12 | 2015-06-30 | Kevin S. WEEDEN | System and method for cooling and promoting physical activity of poultry |
WO2012166568A2 (en) * | 2011-05-27 | 2012-12-06 | Virginia Commonwealth University | Assessment and prediction of cardiovascular status during cardiac arrest and the post-resuscitation period using signal processing and machine learning |
US8880446B2 (en) * | 2012-11-15 | 2014-11-04 | Purepredictive, Inc. | Predictive analytics factory |
US10058290B1 (en) * | 2013-06-21 | 2018-08-28 | Fitbit, Inc. | Monitoring device with voice interaction |
WO2015179632A1 (en) * | 2014-05-22 | 2015-11-26 | Scheffler Lee J | Methods and systems for neural and cognitive processing |
WO2016059484A1 (en) * | 2014-10-16 | 2016-04-21 | Abb Technology Ltd. | A method for managing subsystems of a process plant using a distributed control system |
US20160132787A1 (en) * | 2014-11-11 | 2016-05-12 | Massachusetts Institute Of Technology | Distributed, multi-model, self-learning platform for machine learning |
EP3047609B1 (en) * | 2014-11-25 | 2019-02-20 | Huawei Technologies Co. Ltd. | Systems and method for reconfiguration of routes |
US11210595B2 (en) * | 2015-11-30 | 2021-12-28 | Allegro Artificial Intelligence Ltd | System and method for selective use of examples |
EP3539033A4 (en) * | 2016-11-14 | 2020-06-03 | Cognoa, Inc. | METHOD AND DEVICE FOR EVALUATING DEVELOPMENT FAULTS AND CHECKING COVERAGE AND RELIABILITY |
US10242443B2 (en) * | 2016-11-23 | 2019-03-26 | General Electric Company | Deep learning medical systems and methods for medical procedures |
CN110838124B (zh) * | 2017-09-12 | 2021-06-18 | 深圳科亚医疗科技有限公司 | 用于分割具有稀疏分布的对象的图像的方法、系统和介质 |
-
2019
- 2019-07-09 US US16/506,828 patent/US20200012941A1/en active Pending
- 2019-07-09 AU AU2019204930A patent/AU2019204930B2/en active Active
- 2019-07-09 SG SG10201906345RA patent/SG10201906345RA/en unknown
- 2019-07-09 JP JP2019127343A patent/JP7304223B2/ja active Active
- 2019-07-09 EP EP19185108.8A patent/EP3594866A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004178492A (ja) | 2002-11-29 | 2004-06-24 | Mitsubishi Heavy Ind Ltd | 強化学習法を用いたプラントシミュレーション方法 |
JP2017041206A (ja) | 2015-08-21 | 2017-02-23 | 日本電信電話株式会社 | 学習装置、探索装置、方法、及びプログラム |
US20180189655A1 (en) | 2017-01-03 | 2018-07-05 | Electronics And Telecommunications Research Institute | Data meta-scaling apparatus and method for continuous learning |
Also Published As
Publication number | Publication date |
---|---|
EP3594866A1 (en) | 2020-01-15 |
SG10201906345RA (en) | 2020-02-27 |
AU2019204930A1 (en) | 2020-01-23 |
AU2019204930B2 (en) | 2024-06-20 |
US20200012941A1 (en) | 2020-01-09 |
JP2020009448A (ja) | 2020-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6688821B2 (ja) | 特徴抽出およびその解釈のための、信号分析システムおよび方法 | |
US9996409B2 (en) | Identification of distinguishable anomalies extracted from real time data streams | |
JP7304223B2 (ja) | ハイブリッド学習技法を生成するための方法およびシステム | |
US20190034766A1 (en) | Machine learning predictive labeling system | |
EP2854053B1 (en) | Defect prediction method and device | |
US10002144B2 (en) | Identification of distinguishing compound features extracted from real time data streams | |
US20180053071A1 (en) | Distributed event prediction and machine learning object recognition system | |
US10832174B1 (en) | Distributed hyperparameter tuning system for active machine learning | |
US10635947B2 (en) | Distributable classification system | |
US20150278706A1 (en) | Method, Predictive Analytics System, and Computer Program Product for Performing Online and Offline Learning | |
US20180196837A1 (en) | Root cause analysis of performance problems | |
EP3572980A1 (en) | Method and system for joint selection of a feature subset-classifier pair for a classification task | |
US20170200101A1 (en) | Systems and methods for optimized task allocation | |
JP6950504B2 (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
CN106537423A (zh) | 作为服务的自适应特征化 | |
US20210128004A1 (en) | Deep neural network on ecg poincare plot for atrial fibrillation classfication | |
CN117616431A (zh) | 针对大规模数据的可解释的机器学习 | |
Sönmez et al. | Anomaly detection using data mining methods in it systems: a decision support application | |
Zeydan et al. | Cloud 2 HDD: large-scale HDD data analysis on cloud for cloud datacenters | |
EP3444759B1 (en) | Synthetic rare class generation by preserving morphological identity | |
EP4060435B1 (en) | Method and system for infrastructure monitoring | |
CN116225848A (zh) | 日志监测方法、装置、设备和介质 | |
CN111368864A (zh) | 识别方法、可用性评估方法及装置、电子设备、存储介质 | |
Maurya | Anomaly Detection in Big Data | |
CN114120180A (zh) | 一种时序提名的生成方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220428 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230428 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230502 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230523 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230606 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230615 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230620 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230626 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7304223 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |